Chương 2 : THIẾT KẾ NGHIÊN CỨU
2.2. Cơng cụ phân tích kỹ thuật
2.2.2. Kiểm định độ tin cậy thang đo
Kiểm định độ tin cậy của thang đo được đánh giá qua hệ số Cronbach’s Alpha (Cronbach, 1951): Hệ số Cronbach Alpha (α) là hệ số tin cậy được sử dụng kiểm định thang đo lường tương quan giữa các cặp biến quan sát.
Hệ số Cronbach’s Alpha được tính theo cơng thức sau: K (cov/var)
Α = 1 + (k-1) (cov/var)
Trong đĩ:
α hệ số cronbach Alpha k số mục hỏi được kiểm tra
cov/var hệ số tương quan trung bình giữa các cặp biến quan sát
Đánh giá độ tinh cậy thang đo qua hệ số Cronbach Alpha α:
0,8 ≤ α < 1,0 Thang đo lường tốt 0,7 ≤ α < 0,8 Thang đo sử dụng được
α ≥ 0,6 Sử dụng được đối với khái niệm nghiên cứu mới
(Hồng Trọng - Chu Nguyễn Mộng Ngọc, 2005)
Việc kiểm định độ tin cậy thang đo cĩ thể được xác định nhờ hệ số
tương quan biến tổng (Corrected Item-Total Correclation) nhằm loại bỏ các biến rác khỏi thang đo lường. Hệ số tương quan biển tổng là hệ số tương quan của một biến với điểm trung bình của các biến khác trong cùng một thang đo, do đĩ hệ số này càng cao thì sự tương quan của biến này với các biến khác
trong nhĩm càng cao. Theo Nunnally & Burnstein (1994), các biến cĩ hệ số tương quan biến tổng nhỏ hơn 0.3 được coi là biến rác.
Quy trình kiểm định các biến quan của mỗi thang đo trước khi tiến
hành phân tích nhân tố EFA:
Bước 1: Trong phần mềm SPSS 15.0 for Windows, chọn cơng cụ phân
tích độ tin cậy thang đo (Analyse – Scale – Reability Analysis). Chọn mặc định phân tích hệ số Cronbach’s Alpha (Model: Alpha). Kế tiếp đưa các biến
quan sát của một thang đo lường vào mục (Items) để phân tích độ tin cậy. Sau
đĩ, chọn hộp thoại phân tích thống kê Statistics, trong đĩ cơng cụ phân tích
Descriptives for: chọn Scale, Scale if item deleted. Sau cùng, phần mềm SPSS tự động phân tích dữ liệu và xuất kết quả kiểm định thang đo lường.
Bước 2: Cần loại bỏ những biến rác. Trong kết quả Nếu thấy biến nào
hơn 0,3 thì cần loại bỏ biến đĩ ra khỏi thang đo trước khi tiến hành phân tích nhân tố EFA.
Bước 3: Lựa chọn hệ số Cronbach’s Alpha tốt nhất để độ tin cậy của
thang đo tương quan các biến chặt chẽ, bằng cách loại trừ biến quan sát cĩ
mức độ tương quan thấp trong thang đo thì sẽ đạt được hệ số Cronbach’s
Alpha tốt hơn (Cronbach's Alpha if Item Deleted). Quá trình này được lập lại cho đến khi lựa chọn được hệ số Cronbach’s Alpha tốt nhất. Độ tin cậy của
thang đo cĩ hệ số Cronbach’s Alpha đạt tiêu chuẩn α ≥ 0,6 (thang đo cĩ thể sử
dụng được trong mơ hình nghiên cứu). 2.2.3. Phân tích nhân tố khám phá EFA
Phân tích nhân tố khám phá EFA là kỹ thuật phân tích rút gọn một tập hợp gồm nhiều biến quan sát thành một số nhân tố ít hơn nhưng vẫn chứa
đựng hầu hết nội dung thơng tin và ý nghĩa thống kê của tập biến ban đầu
(Hair & CTG, 1998). Mơ hình phân tích nhân tố EFA được thể hiện bằng phương trình:
Xi = ai1F1 + ai2F2 + … + aijFj +ViUi Trong đĩ:
Xi biến quan sát thứ i
aij hệ số hồi quy bội chuẩn hĩa của nhân tố j đối với biến i Fj nhân tố chung
Vi hệ số hồi quy chuẩn hĩa nhân tố đặc trưng của biến i Ui nhân tố đặc trưng của biến i
Các nhân tố đặc trưng cĩ tương quan với nhau và với các nhân tố
chung. Bản thân các nhân tố chung cũng cĩ thể được diễn tả như những kết
hợp tuyến tính của các biến quan sát:
Fj = W1jZ1 + W2jZ2 + … + WkjZk Trong đĩ:
Fj ước lượng trị số của nhân tố thứ j
Wkj trọng số nhân tố j của biến k (k>j)
Zk biến quan sát được chuẩn hĩa (Z-score) từ biến Xk (aik – Xtb)
Zk giá trị chuẩn hĩa quan sát thứ i của biến Xk aik giá trị quan sát thứ i của biến Xk
Xtb giá trị trung bình của biến Xk
Std. Deviation Độ lệch tiêu chuẩn (δn-1) của biến Xk
Tập biến {Z1, Z2, …, Zk} là tập biến gốc {X1, X2, …, Xk} đưa mơ hình phân tích nhân tố EFA. Tập biến gốc được chuẩn hĩa (Z-score) cĩ giá trị
trung bình bằng 0 (Mean = 0) và giá trị độ lệch tiêu chuẩn bằng 1 (Std.
Deviation = 1). Tập biến gốc “chưa chuẩn hĩa” và “cĩ chuẩn hĩa” đều cĩ kết quả phân tích thống kê như nhau (phân tích nhân tố EFA, phân tích hồi quy, v.v…). Dựa vào phần mềm SPSS 15.0 for Windows, tập biến gốc được chuẩn hĩa được chương trình tự động tính tốn và lưu lại bằng lệnh “Save standardized values as variables” trong Analyze – Descriptive Statistics – Descriptives.
2.2.3.1. Kiểm định phân tích nhân tố EFA
Mơ hình phân tích nhân tố EFA được cho là phù hợp khi các tiêu chuẩn sau đây được thỏa điều kiện:
(i) Hệ số tải nhân tố (Factor Loadings): là những hệ số tương quan đơn giữa các biến và các nhân tố. Hệ số tải nhân tố lớn hơn 0,3 được cho là phù hợp với quy mơ mẫu lớn hơn 350 số quan sát.
(ii) Tính thích hợp của EFA (Kaiser – Meyer – Olkin): là chỉ số dùng xem xét sự thích hợp của phân tích nhân tố nếu 0,5 ≤ KMO ≤ 1.
(iii) Kiểm định Bartlett (Bartlett’s Test of Sphericity): kiểm định giả
thuyết H0 (các biến khơng cĩ tương quan với nhau trong tổng thể). Ma trận tương quan tổng thể là một ma trận đơn vị trong đĩ tất cả các giá trị trên đường chéo đều bằng 1 và ngồi đường chéo bằng 0. Đại lượng kiểm định này dựa
trên sự biến đổi thành đại lượng Chi-Square từ định thức của ma trận tương
quan. Ý nghĩa kiểm định Bartlett cho biết nếu bác bỏ giả thuyết H0: đại lượng
Chi-Square lớn, ý nghĩa thống kê nhỏ hơn 0,05 thì phân tích nhân tố là thích hợp, cịn nếu chưa cĩ cơ sở bác bỏ giả thuyết H0: đại lượng Chi-Square nhỏ, ý nghĩa thống kê lớn hơn 0,05 thì phân tích nhân tố cĩ khả năng khơng thích hợp.
(iv) Phương sai cộng dồn (cumulative of variance): là phân trăm phương sai tồn bộ được thích bởi các nhân tố, nghĩa là coi biến thiên 100%
thì giá trị này cho biến phân tích nhân tố cơ đọng được bao nhiêu % và bị thất thốt bao nhiêu %. Tiêu chuẩn để chấp nhận phân tích nhân tố cĩ phương sai cộng dồn lớn hơn 50% với Eigenvalue phải lớn hơn 1.
Sau khi rút gọn được các biến nhân tố mới (Fj) từ một tập biến quan sát, các biến Fj này được đưa vào các phân tích tiếp theo như tương quan và hồi quy; kiểm định Independent-Sample T-test; kiểm định One-Way Anova.
2.2.3.2. Giải thích ý nghĩa nhân tố
Việc giải thích các nhân tố được thực hiện trên cơ sở nhận ra các biến gốc cĩ hệ số tải (Rotated Factor Loadings) lớn ở cùng một nhân tố. Theo
nghiên cứu Ming-Chang Lee (2007)[13] về việc đưa ra giải pháp thực hiện đồng bộ trong mơ hình phân tích nhân tố EFA, việc giải thích ý nghĩa nhân tố
dựa trên các biến quan sát cĩ hệ số tải (Rotated Factor Loadings) lớn trong cùng một nhĩm nhân tố, từ đĩ trích gọn hệ số nhân tố của các biến quan sát
này trong ma trận hệ số nhân tố (Component Score Coefficient) để giải thích ý nghĩa nhân tố. Sau đây là một ví dụ minh họa giải thích ý nghĩa nhân tố: Giả định mơ hình phân tích nhân tố EFA rút gọn một tập gồm 6 biến
quan sát Xk = {X1, X2, X3, X4, X5, X6} thành một tập cĩ 2 nhân tố Fj = {F1, F2}. Trên cơ sở bảng phân tích ma trận nhân tố xoay (Rotated Component Matrix), nhân tố F1 cĩ 3 biến quan sát tối ưu giải thích sự biến thiên của dữ
liệu thuộc nhân tố F1 = {X1, X3, X5} và F2 cĩ 3 biến quan sát tối ưu giải thích sự biến thiên của dữ liệu thuộc nhân tố F2 = {X2, X4, X6}.
Bước 1: Xây dựng hệ phương trình nhân tố
Từ ma trận trọng số nhân tố Wkj (Component Score Coefficient Matrix)
W11 W12 W21 W22 W31 W32 W41 W42 W51 W52 Wkj = W61 W62
và các biến quan sát Xk = {X1, X2, X3, X4, X5, X6} được chuẩn hĩa (Z-score)
Zk = {Z1, Z2, Z3, Z4, Z5, Z6}, ta cĩ hệ phương trình nhân tố như sau: F1 = W11Z1 + W21Z2 + W31Z3 + W41Z4 + W51Z5 + W61Z6
F2 = W12Z1 + W22Z2 + W32Z3 + W42Z4 + W52Z5 + W62Z6
Bước 2: Lựa chọn biến để giải thích tối ưu nhất cho mỗi nhân tố
Để giải thích sự biến thiên của dữ liệu từ 2 phương trình, chúng ta loại
bỏ những biến quan sát cĩ hệ số tải (Rotated Factor Loadings) thấp, chỉ chọn lọc biến quan sát cĩ hệ số tải (Rotated Factor Loadings) cao để giải thích sự biến thiên tối ưu nhất cho mỗi nhân tố. Hệ phương trình trên được đơn giản
như sau:
F1 = W11Z1 + W31Z3 + W51Z5 F2 = W22Z2 + W42Z4 + W62Z6
Bước 3: Tính hệ số tối ưu cho mỗi nhân tố
Dựa vào hệ phương trình đơn giản (FS2), ta cĩ: F1(OPT) = W11 + W31 + W51
F2(OPT) = W22 + W42 + W62
Bước 4: Chuẩn hĩa các hệ số từ hệ phương trình (FS2)
Score F1 = F1 / F1(OPT) = (W11Z1 + W31Z3 + W51Z5) /F1(OPT) Score F2 = F2 / F2(OPT) = (W22Z2 + W42Z4 + W62Z6) / F2(OPT)
(FS1)
(FS2)
(FS3)
Như vậy, nhân tố trong hệ phương trình (FS3) được giải thích ý nghĩa như sau:
Muốn tăng nhân tố F1 lên 1 đơn vị thì cần tác động tích cực hoặc cần tăng các biến quan sát X1, X3, X5 lên (W11 + W31 + W51) /F1(OPT) đơn vị. Điều này cĩ nghĩa là muốn tăng mức độ thỏa mãn nhân tố F1 của người lao động lên 1 điểm thì cần cĩ giải pháp đồng bộ tác động lên các biến quan sát X1, X3, X5. theo trọng số (W11 + W31 + W51) /F1(OPT) điểm. Tương tự, muốn tăng mức
độ thỏa mãn nhân tố F2 của người lao động lên 1 điểm thì cần cĩ giải pháp đồng bộ tác động lên các biến quan sát X2, X4, X6. theo trọng số (W22 + W42 + W62) /F2(OPT) điểm.
TCCV X1 (9 biến) TLPL X2 (6 biến) HQCV X3 (6 biến) DTPT X4 (6 biến) SAT TUCHU X5 (4 biến) ONCV X6 (4 biến) CSQT X7 (4 biến) PTLV X8 (7 biến) TDTT X9 (5 biến) QHLV X10 (8 biến) F1 … F2 Fj Fj = W1jZ1 + W2jZ2 + … + WkjZk (với k > j)
Ghi chú: Nhân tố F1 giải thích được phần biến thiên nhiều nhất trong tồn bộ Xk biến quan sát đưa vào phân tích nhân tố. Nhân tố tiếp theo (F2, F3, …, Fj) giải thích được phần biến thiên cịn lại. Các nhân tố này F1, F2, …, Fj khơng cĩ tương quan với nhau.
Kiểm định phân tích nhân tố EFA:
Factor Loadings > 0,3 (n > 350)
Kaiser – Meyer – Olkin (KMO): 0,5 ≤ KMO ≤ 1 Bartlett’s Test of Sphericity: Sig. < 0,05
Cumulative of variance > 50% (Eigenvalue > 1)
Phân tích nhân tố EFA
H1’ H2’ Hj’ H1 H2 H3 H4 H5 H6 H7 H8 H9 H10
Hình A2-02: Mơ hình phân tích nhân tố khám phá EFA 2.2.3.3. Q trình thực hiện phân tích nhân tố khám phá EFA 2.2.3.3. Q trình thực hiện phân tích nhân tố khám phá EFA
Sau khi kiểm định độ tin cậy của thang đo bằng hệ số Cronbach’s
Alpha để loại bỏ biến rác hoặc biến cĩ tương quan thấp trong thang đo lường, các biến quan Xk sát cịn lại được đưa vào phân tích nhân tố khám phá EFA.
Khi phân tích nhân tố, tập hợp biến quan sát Xk được rút gọn thành một tập hợp biến nhân tố Fj mới ít hơn. Các nhân tố này được đặt tên lại và được giải thích bằng các biến cĩ hệ số tải (Rotated Factor Loadings) lớn. Tập hợp biến nhân tố Fj được sử dụng là biến độc lập để đưa vào phân tích tương quan và hồi quy đo lường sự thỏa mãn của người lao động với doanh nghiệp.
2.2.4. Phân tích tương quan và hồi quy
Sau khi phân tích nhân tố khám phá EFA, mơ hình hồi quy tuyến tính tổng qt đánh giá sự hài lịng của người lao động đối với doanh nghiệp được
điều chỉnh lại như sau:
SAT = β0 + β1F1 + β2F2 + … + βjFj + ei
Trong đĩ:
SAT Sự hài lịng của người lao động đối với doanh nghiệp từ tập hợp Xk tiêu chí đánh giá.
F = {F1,…, Fj} Các biến thang đo nhân tố ảnh hưởng đến SAT
β = {β0,…, βj} Hệ số hồi quy tác động đến SAT
ei sai số
Nguyên tắc xây dựng mơ hình hồi quy:
(i) Xem xét ma trận hệ số tương quan (Pearson Correlation):
Mối liên hệ tương quan giữa các biến nhân tố Fj: Kiểm định Pearson giữa các biến nhân tố Fj cĩ ý nghĩa Sig. ≤ 0,05 và hệ số tương quan chặt chẽ thỉ các biến nhân tố Fj cĩ dấu hiệu đa cộng tuyến.
Mối liên hệ giữ biến nhân tố Fj với biến phụ thuộc SAT: Kiểm định
Pearson giữa từng biến nhân tố Fj với biến phụ thuộc SAT cĩ mối liên hệ tương quan nhằm xác định biến nhân tố Fj tác động đồng biến hay nghịch biến
đến biến phụ thuộc SAT.
(ii) Các thủ tục chọn biến độc lập (Fj):
Phương pháp Enter được sử dụng để phân tích hồi quy bằng cách tất cả các biến độc lập được đưa vào một lần, đưa ra các thơng số thống kê liên quan
đến các biến. Nếu biến nào thỏa đìều kiện kiểm định ý nghĩa hệ số hồi quy
(Sig. ≤ 0,05) thì nên giữ lại trong mơ hình hồi quy, cịn biến nào khơng thỏa
điều kiện kiểm định thì nên loại ra.
(iii) Đánh giá mức độ phù hợp của mơ hình hồi quy
- Hệ số xác định R2 (R Square) là hệ số càng tăng khi số biến độc lập
hơn thì nên sử dụng hệ số R2 điều chỉnh (Adjusted R Square), vì nĩ khơng
nhất thiết tăng lên khi số biến độc lập được đưa thêm vào mơ hình.
- Kiểm định ANOVA: là một phép kiểm định giả thuyết về độ phù hợp của mơ hình hồi quy tuyến tính tổng thể. Ý nghĩa của kiểm định này là xem
xét mối quan hệ giữa biến phụ thuộc SAT cĩ liên hệ tuyến tính với tồn bộ tập hợp các biến nhân tố Fj hay khơng (Giả thuyết H0 là β1 = β2 = … = βj = 0): Nếu bác bỏ giả thuyết H0 (Sig. ≤ 0,05): Tồn tại ít nhất một biến nhân tố Fj giải thích được thay đổi biến phụ thuộc SAT; hoặc nếu khơng cĩ cơ sở bác bỏ giả thuyết H0 (Sig. ≤ 0,05): Chưa thể kết luận các biến nhân tố Fj giải thích được thay đổi biến phụ thuộc SAT.
(iv) Kiểm định sự vi phạm các giả định cần thiết trong mơ hình hồi quy tuyến tính
+ Kiểm tra bằng biểu đồ tần số Histogram, biểu đồ tân số Q-Q plot,
biểu đồ phân tán Scatter nhằm đánh giá mức độ tuyến tính phù hợp với dữ
liệu quan sát hay khơng.
+ Kiểm định Pearson trong ma trận hệ số tương quan (Pearson
Correlation), bất cứ liên hệ tương quan qua lại chặt chẽ nào giữa các biến độc lập Fj thì cĩ dấu hiệu đa cộng tuyến.
+ Độ chấp nhập của biến (Tolerance): Độ chấp nhận của biến độc lập Fj được định nghĩa là (1 – Rj2), trong đĩ Rj2 là hệ số tương quan bội khi biến độc lập Fj được dự đốn từ các biến độc khác. Nếu (1 – Rj2) càng nhỏ thì cĩ dấu hiệu đa cộng tuyến. Hệ số phĩng đại phương sai (VIF – Variance Inflation
Factor): Hệ số phĩng đại phương sai của biến Fj được định nghĩa VIF = 1 / (1 – Rj2). Nếu VIF > 10 thì cĩ dấu hiệu đa cộng tuyến.
+ Kiểm định giả thuyết phương sai của sai số khơng đổi: Kiểm định
tương quan hạng Spearman’s ho được sử dụng để xem xét giả thuyết H0: Hệ số tương quan hạng của tổng thể bằng 0. Nếu kết quả kiểm định giả thuyết H0 khơng thể bị bác bỏ (Sig. > 0,05), do đĩ cĩ thể kết luận phương sai của sai số khơng thay đổi trong mơ hình hồi quy.
TCCV (9 biến) TLPL (6 biến) HQCV (6 biến) DTPT (6 biến) TUCHU (4 biến) ONCV (4 biến) CSQT (4 biến) PTLV (7 biến) TDTT (5 biến) QHLV (8 biến) TCCV (k1 ≤ 9) TLPL (k2 ≤ 6) HQCV (k3 ≤ 6) DTPT (k4 ≤ 6) TUCHU (k5 ≤ 4) ONCV (k6 ≤ 4) CSQT (k7 ≤ 4) PTLV (k8 ≤ 7) TDTT (k9 ≤ 5) QHLV (k10 ≤ 8) αTCCV αTLPL αHQCV αDTPT αTUCHUCV αONCV αCSQT αPTLV αTDTT αQHLV F1 F2 F3 F4 F5 F6 F7 F8 … Fj ∑λ2(F1) ∑λ2(F2) ∑λ2 (F3) ∑λ2 (F4) ∑λ2 (F5) ∑λ2 (F6) ∑λ2(F7) ∑λ2(F8) … ∑λ2(Fj)
PHÂN TÍCH MƠ TẢ ĐẶC ĐIỂM VỀ THƠNG TIN CÁ NHÂN
NGƯỜI LAO ĐỘNG
(Giới tính, nhĩm tuổi, trình độ học vấn, thời gian làm việc, thu nhập, v.v…)
Nhĩm giải pháp, chính sách đối với DOANH NGHIỆP Nhĩm giải pháp, chính sách đối với CƠ QUAN QLÝ
Kiểm định độ tin cậy bằng hệ số Cronbach’s Alpha
Phân tích nhân tố EFA
Phân tích hồi quy với biến phụ thuộc
Giải pháp, chính sách
So sánh
k là số lượng biến gốc
đưa vào phân tích EFA
α là hệ số Cronbach’s Alpha λ là hệ số tải (Rotated Factor Loadings) Fj là biến nhân tố Chú thích:
Hình A2-03: Kỹ thuật phân tích đánh giá sự hài lịng của người lao động đối với doanh nghiệp
SAT
Tập hợp biến Xk